基于密集连接残差网络的图像分类方法技术

本发明专利技术公开了一种基于密集连接残差网络的图像分类方法，本方法首先对输入图片进行数据预处理，并扩充图片数据量；然后将图片输入到密集连接残差网络提取图像特征；最后将提取到的图像特征输入到Softmax分类器，得出图片分类结果。本方法克服图像分类任务中传统方法效果不好、常用的深度学习方法计算量太大、模型训练和运行对硬件设备要求太高的缺陷，通过结合残差网络和密集连接网络的优点，达到较高的识别率的同时占用较少的计算资源。

Image Classification Based on Densely Connected Residual Networks

【技术实现步骤摘要】
基于密集连接残差网络的图像分类方法
本专利技术涉及机器学习和机器视觉
，尤其涉及一种基于密集连接残差网络的图像分类方法。
技术介绍
图像分类是计算机视觉领域中最活跃的研究课题之一，迅速和准确地识别出物体对机器人导航、医疗诊断、安防、工业检测等有着重要的意义。提取图像特征是物体识别中最重要也是最棘手的工作，图像特征的好坏很大程度上决定了识别的效果。相比传统的图像特征提取方法，深度神经网络能提取到表达能力更强的图像特征，更有利于图像分类，因此现在大多数物体识别框架都基于深度学习。但是，目前大多数用于图像分类的深度学习方法计算量很大，训练时间长，对训练设备有较高的要求。深度残差网络和密集连接网络是近几年涌现出的优秀卷积神经网络模型，深度残差网络可以有效避免传统卷积神经网络模型的梯度消失或爆炸以及模型退化问题。密集连接网络提高参数的利用率，网络能够利用较少参数量达到较高的识别率，但是网络中的大量密集连接不可避免地消耗了大量的GPU内存，计算深层的密集连接网络对机器的硬件要求较高。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于密集连接残差网络的图像分类方法，本方法克服传统深度学习本文档来自技高网...

【技术保护点】
1.一种基于密集连接残差网络的图像分类方法，其特征在于本方法包括如下步骤：步骤一、对输入图片进行数据预处理，并扩充图片数据量；步骤二、将图片输入到密集连接残差网络提取图像特征，密集连接残差网络由一个小型密集连接网络和一个残差结构组成，在密集连接残差网络中，串联操作将网络内的所有卷积层的输出特征图串联之后再输入到残差函数中；步骤三、将提取到的图像特征输入到Softmax分类器，得出图片分类结果。

【技术特征摘要】
1.一种基于密集连接残差网络的图像分类方法，其特征在于本方法包括如下步骤：步骤一、对输入图片进行数据预处理，并扩充图片数据量；步骤二、将图片输入到密集连接残差网络提取图像特征，密集连接残差网络由一个小型密集连接网络和一个残差结构组成，在密集连接残差网络中，串联操作将网络内的所有卷积层的输出特征图串联之后再输入到残差函数中；步骤三、将提取到的图像特征输入到Softmax分类器，得出图片分类结果。2.根据权利要求1所述的基于密集连接残差网络的图像分类方法，其特征在于：所述数据预处理将所有样本均减去整个数据集样本的均值和方差，使得模型的收敛更快；所述扩充图片数据量将图片随机的翻转和旋转训练，以扩充数据的多样性，使得模型学习更具代表的特征。3.根据...

【专利技术属性】
技术研发人员：王永雄，严龙，宋天中，张震，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：上海,31